[論文レビュー] A Novel Loss Function Incorporating Imaging Acquisition Physics for PET Attenuation Map Generation using Deep Learning

Luyao Shi, John A. Onofrey+7 more|arXiv (Cornell University)|Sep 3, 2019

Medical Imaging Techniques and Applications参考文献 10被引用数 10

ひとこと要約

本論文は、PETの減衰物理を深層学習に統合することで、PETの原始データから正確な減衰マップを生成するための新規な線積分投影損失関数（LIP-loss）を提案する。PETの減衰補正において極めて重要な線積分投影における誤差を直接最小化することで、従来の画像ドメイン損失（IM-loss）を上回り、再構成アーティファクトを顕著に低減し、最先端の手法を上回る定量的精度を達成する。

ABSTRACT

In PET/CT imaging, CT is used for PET attenuation correction (AC). Mismatch between CT and PET due to patient body motion results in AC artifacts. In addition, artifact caused by metal, beam-hardening and count-starving in CT itself also introduces inaccurate AC for PET. Maximum likelihood reconstruction of activity and attenuation (MLAA) was proposed to solve those issues by simultaneously reconstructing tracer activity ($λ$-MLAA) and attenuation map ($μ$-MLAA) based on the PET raw data only. However, $μ$-MLAA suffers from high noise and $λ$-MLAA suffers from large bias as compared to the reconstruction using the CT-based attenuation map ($μ$-CT). Recently, a convolutional neural network (CNN) was applied to predict the CT attenuation map ($μ$-CNN) from $λ$-MLAA and $μ$-MLAA, in which an image-domain loss (IM-loss) function between the $μ$-CNN and the ground truth $μ$-CT was used. However, IM-loss does not directly measure the AC errors according to the PET attenuation physics, where the line-integral projection of the attenuation map ($μ$) along the path of the two annihilation events, instead of the $μ$ itself, is used for AC. Therefore, a network trained with the IM-loss may yield suboptimal performance in the $μ$ generation. Here, we propose a novel line-integral projection loss (LIP-loss) function that incorporates the PET attenuation physics for $μ$ generation. Eighty training and twenty testing datasets of whole-body 18F-FDG PET and paired ground truth $μ$-CT were used. Quantitative evaluations showed that the model trained with the additional LIP-loss was able to significantly outperform the model trained solely based on the IM-loss function.

研究の動機と目的

• CT-MR不一致、金属アーティファクト、ビームハードニング、カウントスターヴェーションによって引き起こされるPETの減衰補正の不正確さを是正すること。
• 深層学習に基づく減衰マップ生成における画像ドメイン損失（IM-loss）の限界を克服すること。IM-lossはPETの物理的投影プロセスを考慮していない。
• 減衰マップの線積分投影を直接最適化する損失関数を開発すること。これにより、PETの取得物理と整合させる。
• CTスキャンが存在しない状況でも、PETのみのデータから生成される減衰マップの品質を向上させること。
• 物理に配慮した学習を用いた深層学習を用いて、同時かつPET活性度と減衰マップの再構成の精度を向上させること。

提案手法

• 予測されたマップと真値との間の投影された減衰値の差を計算する、新規な損失関数、線積分投影損失（LIP-loss）を提案する。
• PETの減衰補正が各シノグラム線の視線に沿った減衰マップの線積分に依存するという物理的原則を活用する。
• U-Netベースの畳み込みニューラルネットワーク（CNN）を用いて減衰マップ予測を行うために、LIP-lossを標準的な画像ドメイン損失（IM-loss）と組み合わせる。
• 学習に80例の全身18F-FDG PET/CTデータセット、テストに20例を用い、真値の減衰マップはCTから導出する。
• ネットワークは、PETの原始データからの再構成結果であるλ-MLAAおよびμ-MLAAの出力を入力として、減衰マップ（μ-CNN）を予測するように訓練する。
• LIP-lossは微分可能であり、訓練の目的関数に統合され、ネットワークが物理的投影誤差を最小化するよう誘導される。

実験結果

リサーチクエスチョン

• RQ1 PETの物理的投影モデルを組み込んだ損失関数は、CTを伴わないPETデータからの減衰マップ推定を改善できるか？
• RQ2 LIP-lossは、標準的な画像ドメイン損失（IM-loss）と比較して、PET再構成における減衰補正誤差をどれほど低減できるか？
• RQ3 PET取得物理を損失関数に統合することで、従来の深層学習手法よりも正確な減衰マップが得られるか？
• RQ4 CTが利用できない状況で、LIP-lossは金属アーティファクト、ビームハードニング、患者の動きに起因するアーティファクトをどれほど低減できるか？
• RQ5 本手法は、CTスキャンを必要とせず、CTベースの減衰補正と同等の性能を達成できるか？

主な発見

• 追加のLIP-lossを用いて訓練したモデルは、IM-lossでのみ訓練したモデルと比較して、定量的評価指標で顕著に優れていた。
• LIP-lossを用いることで、IM-lossのみの訓練に比べて、減衰マップ推定における平均絶対誤差（MAE）が低減された。
• 提案手法は、活性度および減衰マップにおけるバイアスとノイズを低減させ、PET画像再構成の定量的精度が向上した。
• 物理に配慮した損失の統合により、より正確な線積分投影が得られ、PET減衰補正の物理的原則と直接整合した。
• 結果から、LIP-lossがCTが存在しない状況で金属、ビームハードニング、カウントスターヴェーションに起因するアーティファクトを効果的に低減できることを示した。
• 本手法は、CTを伴わないPETデータからの減衰マップ生成において、最先端の性能を達成した。物理に配慮した損失関数が医療画像再構成において重要な役割を果たすことが実証された。